2020年12月6日，由上海国家会计学院、中国石油天然气集团有限公司、金蝶软件（中国）有限公司、元年科技股份有限公司、美国管理会计师协会（IMA）、上海艺赛旗软件股份有限公司、深圳市中兴新云服务有限公司、科大讯飞股份有限公司、用友网络科技股份有限公司、浪潮通用软件有限公司、经邦软件技术有限公司、特许公认会计师公会 （ACCA）共同主办的第三届智能财务高峰论坛在上海国家会计学院圆满落幕。本届峰会以“智能财务促进管理价值重塑”为主题， 围绕智能财务的基础研究、技术与方法、应用实践、产品研发、产业生态、人才培养、标准建设等议题进行研讨，以助推中国智能财务的应用实践和理论研究，促进管理价值重塑。

对此，用友网络数据智能产品总监陈宏志博士进行了分享。如下为演讲的主要观点：

数据和智能将有助于更深层次的发现影响预算管理的关键因素。数字化进入了起步期，在这个过程中现了一系列的难点。进入世界500强央企，100%实行了全面预算管理，全面预算管理在企业控制成本、提高绩效等方面价值明显。但在实际运用过程中，智能技术应用无论数量还是质量上仍然处于比较低的层次。可解析的相关性将应用与辅助决策。机器学习分析过程是可解释的，但特征工程有大量需要数学介入，机器学习结合分析过程形成分场景的认知智能，或将有助于辅助决策。智能预算主要影响因素将反映在收入和现金上，但更多的变量融合，建立算法模型，将有可能实现更精准的预测并指导决策制定。AI应用到智能财务领域，需要降低门槛，实现普惠化。一是工程化过程非常复杂，需要大量跨界人才介入，从模型数据采集、数据清洗、模型训练、上线、编云一体化的部署。二是算法模型持续运营不易需要重新训练验证，培养数据科学家或者算法工程师成本非常高。

研究目标在于：一是尝试已企业生产经营多模态、多元数据为基础，将流程驱动改为数据驱动。二是面向特定细分领域，实现多算法并行计算，分流实验，并行比较。三是发现关键指标，面向细分场景，通过试验分流，比较试验，选择最优特征模型。四是实现AI算法、模型、数据清洗过程等智能管理关键的低门槛进行。五是探索低门槛AI方案的泛化模式。

研究意义在于：进一步丰富AI应用场景，探索AI如何赋能全面预算管理；探索多行业、多领域、多场景，面向业财一体的全面预算管控应用场景和指标，提升全面预算准确性和科学性，有效辅助决策；变革预算管控模式，变定性为定量决策、变流程驱动为数据驱动；推动敏捷复用，结合用友低门槛人工智能开放平台，探索全面预算关联指标分流推演模式，探索智能全面预算管理的低门槛敏捷复用的可行性。

本研究以汽车和零售领域上市公司为研究对象。数据大类除了宏观环境因素、汇率因素、经营成本因素、成品油价格、企业产销因素，同时结合GDP、企业景气指数、PMI、汇率、贵金属、OPEC主要产油国油价、产量、销量等关键指标。算法选型包括时间序列、ARIMA、随机森林、混频神经网络等，没有考虑深度学习而是在神经元网络上进行一系列混频神经网络处理，尝试实现业务可解释。

行业：汽车、零售行业。（高频场景，对内外部环境因素的变化更为敏感，财务数据较为可靠，不存在法律风险）

场景：建立现金、收入预测模型，探索和发掘适合汽车制造、零售行业的现金和收入预测模型，分析各类主流模型在全面预算管理领域的适用场景。

目标：在汽车、零售行业，选取两家头部用户，以公开的经营数据和财务数据为主，以内外部环境数据为辅助，探索和建立适用于汽车、零售行业的现金和收入预测AI模型及解决方案，发掘可用于全面预算推演和辅助决策的相关特征，支持企业预算管理过程的动态辅助决策。

基于用友统一智能工作坊，实现低代码实验分流和多场景推演。底层将AI基础能力，包括识别、分类、预测等场景的算法和模型进行包装。在此之上是智能工厂训练器，在数据清洗后基于统一平台，对其进行无代码训练。同时RPA+AI经过智能机器人设计器包装之后，向上可以支持各个不同点状场景的快速开发，显著提高效率。随后导入算法包，配置训练过程，算法模型在界面底层显现，API格式输出支持多流量推演。API实验分流环节依托AI中台，将数据清洗后实施特征工程、冲击分析、多模型推演，四种不同算法结合四种不同特征组合情况下，可以并行进行推演和模型，对其预测精度进行比较，在并行计算和分布式计算环境下，推演出最佳求解。基于平台进行算法预封装，全程无代码执行，一键式推理上线和模型评估。

基于API分流平台，从分析结果来看，汽车制造企业的收入预算与宏观经济、行业景气程度、固定资产投资等宏观环境密切相关，外部汇率、经营成本、油气价格等因素也是影响汽车制造业收入的重要因素。宏观环境因素、外部汇率因素、经营成本因素、成品油价格因素及企业产销情况五个因素作为企业收入目标的冲击因素。

随机森林算法对宏观经济营销最为敏感，但从全局角度，混频神经网络的鲁棒性和预测结果更准确。时间序列模型的缺点在于依据历史数据进行线性变换，且仅依赖于财务数据就能做出预测，但实际上不能体现企业内外部环境如宏观经济、行业形势等的变化，因此在实际预测过程中误差较大，且具有一定的滞后性。

随机森林算法在预测精度上表现出了优秀的效果，实验表明纳入宏观经济变量的预测效果更优。因此该算法也非常适合于事件冲击、内外部环境变化对收入预算影响较大的企业。混频神经网络模型的优势在于将企业的行业数据、财务数据等不同口径不同频率的数据统一进入模型，MIDAS的形式纳入了指标的滞后性，且后端的神经网络模型保证了非线性预测的精度，一定程度上解决了模糊性和不确定性的问题。复用到零售行业后，混频神经元网络在预算收入和现金预测方面，富有更显著的优势。对于企业收入来说，门店数量对其贡献比较大，门店数量每增长1个单位，企业收入将增长58.4%，职工数量每增长1个单位，企业收入将增长26.83%。企业景气指数每增长1个单位，企业收入将下降18.87%。零售行业的收入呈周期性螺旋上升，波动呈现出一定的规律性，且依赖于宏观整体经济环境及门店规模，使用历史数据的时间序列方法预测效果十分显著。

预算关键指标具有一定可预测性。通过时序、随机森林、混频神经网络、随机过程神经网络，均可对企业现金和收入进行预测，全面预算关键指标具有一定的可预测性。

机器学习优于传统统计分析。综合汽车制造及零售行业的推演分析结果，混频神经网络，随机过程神经网络对现金和收入指标的预测效果显著优于其他树状推理机或传统多元统计推理机。

随机森林有助于挖掘冲击关系。随机森林对宏观环境等典型冲击因素较为敏感，在财务指标预测时，可作为神经节点的调节权重。

数据丰度的提升将有助于对冲稀疏性。财务管理，尤其是全面预算，与企业生产经营全价值链密切相关。财务指标相比其他类型数据，存在天然的稀疏性，通过增加数据丰度，将使机器学习更好地服务于全面预算管理。

全面预算管理可大规模、低代码泛化。低代码开发降低AI门槛，通过训练、推理、上线、运营、重复训练过程赋能业务人员的方式，可以实现从感知智能、认知智能向企业及群体智能的转变。同时，通过RPA+AI的方式可以实现BI做增强分析。将AI作为中心或者企业级决策大脑同时辅助RPA、增强分析，许多商业智能应用乃至于流程自动化应用可以规模化复制。基于API分流和推理平台，算法的泛化、分布式学习、群体式学习、联邦学习的进程也将变得低代码化。这样的情况下，整个算法模型跨行业乃至同行业跨场景的一系列复用将变得更加简单。

基于RPA的智能操作，在用户授权和充分保证用户隐私条件下，综合利用全面预算相关的预测数据，基于规则和机器学习模型实现智能化自动化表单操作，预测用户的报表填报行为，并由RPA脚本自动录入，减轻用户录入工作量和校验工作量，提高用户效率，提升用户体验和系统友好性。另一方面是智能操作RPA的规模化复制，在数据中台数用分离，低代码实施AI训练，通过数据中台打通BI，增强分析的自定义设计。在机器人广场上通过低代码机器人设计实现了RPA乃至于语音机器人VPA、虚拟个人助手一系列机器人实地的快速复用。

智能制造领域，将数据治理、特征工程、算法模型训练过程，通过低门槛AI平台进行离线训练和验证。模型收敛后，通过端侧轻量化推理工具，向工业领域、底层OT进行赋能，可以显著收缩推理至上线时间，通过迁移学习机制，场景泛化、行业泛化、模式迁移比原有传统项目制方式复制更加迅速。

（本文系根据第三届智能财务高峰论坛演讲录音整理，未经本人审阅）